1. События и операции над ними. Относительные частоты и их свойства
![]()
|
|
X | x1 | x2 | … | xn | … |
P | p1 | p2 | … | pn | … |
Ряд распределения случайной величины СХ
СХ | Сx1 | Сx2 | … | Сxn | … |
Р | p1 | p2 | … | pn | … |
Математическое ожидание случайной величины СХ
![](82957_html_1542fc9.gif)
15.2
Случайные величины X1,X2,…,Xn называются независимыми, если для любых числовых множеств B1,B2,…,Bn
![](82957_html_6d21c042.gif)
Если взять B1=]-∞, x1[; B2=]-∞, x2[; …; Bn=]-∞,xn[, то
![](82957_html_m34a08acd.gif)
![](82957_html_m4af47998.gif)
![](82957_html_m4b4556b0.gif)
3) Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий:
![](82957_html_m356fce8e.gif)
Следствие. Математическое ожидание произведения нескольких взаимно независимых случайных величин равно произведению их математических ожиданий.
4) Математическое ожидание суммы двух случайных величин рано сумме математических ожиданий слагаемых:
![](82957_html_51da6007.gif)
Следствие. Математическое ожидание суммы нескольких случайных величин равно сумме математических ожиданий слагаемых.
Теорема 1. Математическое ожидание числа появлений события А в n независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании:
![](82957_html_4e07691.gif)
Будем рассматривать в качестве случайной величины Х число появлений события А в n независимых испытаниях. Очевидно, общее число Х появлений события А в этих испытаниях складывается из чисел появлений события в отдельных испытаниях. Поэтому если Х1—число появлений события в первом испытании, Х2—во втором,…, Хn—в n-ом, то общее число появлений события
![](82957_html_m5961bb39.gif)
![](82957_html_m3011f55d.gif)
Согласно примеру 2
![](82957_html_64416e44.gif)
![](82957_html_37f8825b.gif)
16. Дисперсия дискретной случайной величины и её свойства.
Дисперсией случайной величины называется число
![](82957_html_m27aeec8a.gif)
Свойства дисперсии.
Дисперсия постоянной величины С равна 0. DC=0.
![](82957_html_4421feab.gif)
Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат:
![](82957_html_m7be33a18.gif)
Доказательство:
![](82957_html_m717abf82.gif)
Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин:.
![](82957_html_1dfce845.gif)
Следствие. Дисперсия суммы нескольких независимых случайных величин равна сумме дисперсий этих величин.
17. Теоремы о математическом ожидании и дисперсии числа появлений события в независимых испытаниях. Начальные и центральные моменты.
Теорема 1. Математическое ожидание числа появлений события А в n независимых испытаниях равно произведению числа испытаний на вероятность появления события Х в каждом испытании:
![](82957_html_m2f504209.gif)
если Х1—число появлений события в первом испытании, Х2—во втором,…, Хn—в n-ом, то общее число появлений события
![](82957_html_26e2c638.gif)
![](82957_html_m23069386.gif)
![](82957_html_m2f504209.gif)
Дисперсией случайной величины называется число
![](82957_html_m27aeec8a.gif)
![](82957_html_m32c02746.gif)
![](82957_html_m776a614f.gif)
![](82957_html_3e34e343.gif)
Случ. велич. Х—число появлений события А в n независимых испытаниях
![](82957_html_m53023689.gif)
![](82957_html_3aa7f342.gif)
![](82957_html_4ef51e6c.gif)
![](82957_html_5461e5c.gif)
![](82957_html_626ef33c.gif)
![](82957_html_3e34e343.gif)
Начальным моментом порядка к случайным величинам Х называют мат.ожид. случ. величины Хk:
![](82957_html_m663f42c8.gif)
![](82957_html_19f9e4fe.gif)
![](82957_html_m208d8e1e.gif)
Пользуясь этими моментами, формулу для вычисления дисперсии
![](82957_html_60594dc2.gif)
![](82957_html_m3b4dcb2e.gif)
Центральным моментом порядка k случайной величины Х называют математическое ожидание величины (Х-МХ)k.
![](82957_html_2f7cd8e8.gif)
![](82957_html_m75d9282d.gif)
![](82957_html_m57f664ce.gif)
![](82957_html_54760c91.gif)
![](82957_html_m663aefdb.gif)
![](82957_html_m47ed39c8.gif)
Моменты более высоких порядков применяются редко.
Замечание. Моменты, определенные выше, называют теоретическими. В отличие от теоретических моментов, моменты, которые вычисляются по данным наблюдений, называют эмпирическими.
18. Непрерывные случайные величины. Свойства плотности распределения.
О. Говорят, что случайная величина Х имеет плотность вероятности или плотность распределения вероятностей
![](82957_html_27a4bfd1.gif)
![](82957_html_520780c7.gif)
О. Случайная величина называется непрерывной, если она имеет плотность распределения.
Пусть р(х)—непрерывная функция. Тогда
![](82957_html_117a7dd6.gif)
![](82957_html_m5335c00f.gif)
Т.к.
![](82957_html_ce671a6.gif)
![](82957_html_m70eb10d1.gif)
![](82957_html_36d006ca.gif)
Свойства плотности распределения.
.
Плотность распределения—неотрицательная функция:.
Поскольку F(x)—неубывающая функция, то F’(x)≥0. Следовательно
![](82957_html_m780d75c0.gif)
Геометрически это свойство означает, что график плотности распределения расположен либо над осью ох, либо на этой оси. График плотности распределения называют кривой распределения.
Несобственный интеграл от плотности распределения в пределах от -∞ до +∞ равен единице:
![](82957_html_6bcc077.gif)
В формуле (1) подставим х=+∞,
![](82957_html_16170046.gif)
![](82957_html_m54222ecc.gif)
![](82957_html_e40f40.gif)
Вероятность того, что непрерывная случайная величина Х примет значение из множества В, равна интегралу по множеству В от плотности распределения.
19. Равномерное, показательное и нормальное распределения и их числовые характеристики.
Говорят, что случайная величина Х равномерно распределена на отрезке [a, b], если она непрерывна и имеет плотность вероятности:
![](82957_html_m31966d94.gif)
а) x;
б) a≤x≤b
![](82957_html_33d98e9e.gif)
в) x>b
![](82957_html_3583d009.gif)
![](82957_html_m1616e0c0.gif)
![](82957_html_20791482.gif)
![](82957_html_49cfd36a.gif)
![](82957_html_m20086330.gif)
Говорят, что случайная величина Х имеет показательное (экопоненциальное) распределение с параметром λ>0, если она непрерывна и имеет плотность распределения
![](82957_html_m3a1e7c26.gif)
Найдем функцию распределения показательно распределенной случайной величины Х.
![](82957_html_65a20316.gif)
а) x≤0
![](82957_html_50ab83d9.gif)
б) x>0
![](82957_html_5a8fac97.gif)
19.2
Таким образом
![](82957_html_60f93355.gif)
![](82957_html_m1375ef93.gif)
Говорят, что случайная величина Х имеет нормальное распределение с параметрами a, G2, если она непрерывна и имеет плотность
![](82957_html_m1bf22a8a.gif)
График плотности нормально распределенной случайной величины имеет вид:
![](82957_html_m35ba116b.png)
Если случайная величина ХN(0,1), то говорят, что случайная величина Х имеет стандартное нормальное распределение. В этом случае плотность обозначается
![](82957_html_m50cd809b.gif)
![](82957_html_3a075bdb.gif)
![](82957_html_549297a9.gif)
![](82957_html_m2420751d.gif)
![](82957_html_3ac50032.gif)
![](82957_html_m4568b97b.gif)
20. Теорема о нормальном распределении. Критерии независимости дискретной и непрерывной случайных величин.
Случайная величина Х имеет нормальное распределение с параметрами a, G2, если она непрерывна и имеет плотность. Обозначение ХN(a, G2), те Х имеет нормальное распределение с параметрами a, G2.
График плотности нормально распределенной случайной величины имеет вид:
![](82957_html_m35ba116b.png)
Любая функция (правило, характеристика), позволяющая вычислить вероятность того, что случайная величина Х принадлежит В—числовому множеству на прямой, т.е. P(XB), называется законом распределения случайной величины Х.
F(x)—функция распределения является законом распределения любой случайной величины..
Ряд распределения дискретной случайной величины также является законом распределения дискретной случайной величины.
Плотность распределения непрерывной случайной величины p(x) является законом распределения непрерывной случайной величины.
![](82957_html_35a10bb.gif)
Теорема (Критерий независимости дискретных случайных величин).
Для того чтобы дискретные случайные величины Х1,…,Хn были независимы, необходимо и достаточно, чтобы для любых действительных чисел х1,…,хn выполнялось соотношение
![](82957_html_mace2caa.gif)
Теорема (Критерий независимости для непрерывных случайных величин).
Для того чтобы непрерывные случайные величины Х1, Х2,…,Хn были независимыми, необходимо и достаточно, чтобы для любых действительных чисел х1,…,хn выполнялось соотношение
![](82957_html_mbfedd8d.gif)
20.2
Здесь
![](82957_html_m1612e1cc.gif)
![](82957_html_m424249af.gif)
Пример: Предположим, что случайная величина
![](82957_html_m39160f3e.gif)
![](82957_html_4e545b16.gif)
![](82957_html_mea38391.gif)
Пусть
![](82957_html_m251e95bf.gif)
![](82957_html_55f2f68.gif)
![](82957_html_3e59f17a.gif)
![](82957_html_m598c94d0.gif)
![](82957_html_439a40b.gif)
Замечание. Необходимо отметить, что φ(t)—четная функция, т.е. φ(-х)=φ(х); функция Лапласа
![](82957_html_579ec335.gif)
![](82957_html_m49db20ac.gif)
21. Случайный вектор. Свойства функции распределения случайного вектора.
Вектор
![](82957_html_mf931cf8.gif)
![](82957_html_6909a7a3.gif)
Таким образом, случайный вектор
![](82957_html_m1d9d2b70.gif)
Функция
![](82957_html_m780a4022.gif)
![](82957_html_451516bd.gif)
![](82957_html_m1d9d2b70.gif)
![](82957_html_m4b44bc02.gif)
Свойства функции распределения случайного вектора.
.
Функция распределения случайного вектора неубывающая по каждому аргументу.
Пусть x1
![](82957_html_67a090bc.gif)
Тогда
![](82957_html_c499c45.gif)
![](82957_html_m52e3aa7a.gif)
![](82957_html_m296e289c.gif)
![](82957_html_455a05b7.gif)
.
![](82957_html_m497957a0.gif)
![](82957_html_513d7a3c.gif)
![](82957_html_m641d91d.gif)
![](82957_html_48182a82.gif)
![](82957_html_1f7d0a31.gif)
=
![](82957_html_m742cfdae.gif)
Случайный вектор называется дискретным, если все его компоненты—дискретные случайные величины.
Случайный вектор
![](82957_html_m1620fd43.gif)
![](82957_html_1372231b.gif)
![](82957_html_1f9da595.gif)